本发明专利技术涉及神经网络技术领域，尤其涉及一种基于神经网络的药物药效评价方法、装置、设备及介质。该方法包括：获取服用过候选药物的实验动物产生的第一体表生理数据和未服用过所述候选药物的实验人类产生的第二体表生理数据；分别将所述第一体表生理数据和所述第二体表生理数据输入到预设的第一神经网络和第二神经网络，依次输出得到第一输出特征和第二输出特征；将所述第一输出特征和所述第二输出特征输入到预设的基于概率分布度量的损失函数，得到损失值；基于所述损失值，对所述第二神经网络的网络参数进行更新；其中，完成更新的所述第二神经网络用于对所述候选药物进行临床评价。上述技术方案能够减少候选药物的临床评价过程。评价过程。评价过程。
【技术实现步骤摘要】
基于神经网络的药物药效评价方法、装置、设备及介质
[0001]本专利技术涉及神经网络
，尤其涉及一种基于神经网络的药物药效评价方法、装置、设备及介质。
技术介绍
[0002]药物效应动力学简称药效学，是研究药物的生化、生理效应及机制以及剂量与效应之间的关系，其目的是确定新药预期用于临床防、诊、治目的疗效、确定新药的作用强度、阐明新药的作用部位和机制、发现预期用于临床以外的广泛药理作用。药效学包括的内容有药物作用基本类型、药物作用的选择性、药物作用的量效关系、药物的治疗作用与不良反应、药物的作用机制。
[0003]新药研发过程中候选药物在进入临床试验阶段之前，必须对其急性、慢性、发育和生殖毒性以及致癌性等药效指标进行全面评估，以确保药物在施用于人体后的有效性和安全性。由于实验动物通常与人类拥有相似的分子靶标和代谢途径，因此被用于候选药物的临床前研究。通过不同的动物模型和实验方法，评价药物的药理作用，研究其作用机制，观察其毒性作用。
[0004]相关技术中，候选药物的临床前评价通常会使用一种啮齿类动物（例如大鼠或小鼠）和一种非啮齿类动物（例如兔子、犬、猪或猴）来依次进行药物实验，其中，非啮齿类动物的测试结果不仅可以显著提升候选药物临床实验的成功率，还能为药物临床使用后提供更高的安全性保障。即便如此，候选药物的临床评价仍然需要大量的志愿者或患者来进行药物实验，这会导致候选药物的临床评价过程过于漫长。
[0005]因此，目前亟需提供一种基于神经网络的药物药效评价方法、装置、设备及介质来解决上述技术问题。
技术实现思路
[0006]本专利技术描述了一种基于神经网络的药物药效评价方法、装置、设备及介质，能够减少候选药物的临床评价过程。
[0007]根据第一方面，本专利技术提供了一种基于神经网络的药物药效评价方法，包括：获取服用过候选药物的实验动物产生的第一体表生理数据和未服用过所述候选药物的实验人类产生的第二体表生理数据；其中，所述实验动物包括啮齿类动物和非啮齿类动物，所述第一体表生理数据和所述第二体表生理数据的数据类型相同，且所述第一体表生理数据和所述第二体表生理数据均为时间序列数据；分别将所述第一体表生理数据和所述第二体表生理数据输入到预设的第一神经网络和第二神经网络，依次输出得到第一输出特征和第二输出特征；将所述第一输出特征和所述第二输出特征输入到预设的基于概率分布度量的损失函数，得到损失值；基于所述损失值，对所述第二神经网络的网络参数进行更新；其中，完成更新的所
述第二神经网络用于对所述候选药物进行临床评价。
[0008]根据一个实施例，所述体表生理数据包括如下中的至少一种：呼吸压数据、脑电数据、眼电数据、肌电数据、心电数据、胸带数据、腹带数据、脉搏波数据、腿动数据、鼾声数据、脉率数据和血氧饱和度数据。
[0009]根据一个实施例，所述基于概率分布度量的损失函数包括如下中的至少一种：KL散度损失函数、交叉熵损失函数、softmax损失函数和Focal损失函数。
[0010]根据一个实施例，所述第一神经网络和所述第二神经网络均包括依次连接的卷积模块、模态内注意力模块和线性模块；在模型训练阶段中，所述模态内注意力模块和所述线性模块之间连接有特征融合模块，所述模态内注意力模块和所述特征融合模块之间连接有模态间注意力模块；所述卷积模块用于提取所述体表生理数据的时域特征和频域特征，所述模态内注意力模块用于对插入位置编码的所述体表生理数据中感兴趣区域的特征的权重进行调整，所述模态间注意力模块用于对所述第一体表生理数据和所述第二体表生理数据中感兴趣区域的特征的权重进行调整，所述特征融合模块用于将所述第一体表生理数据和所述第二体表生理数据中不感兴趣区域的特征分别与所述模态间注意力模块输出的感兴趣区域的特征进行特征融合，所述线性模块用于将两个所述特征融合模块输出的特征的维度调整为相同维度。
[0011]根据一个实施例，在模型训练阶段中，所述卷积模块还连接有第一向量模块，所述模态内注意力模块还连接有第二向量模块；所述第一向量模块用于提供一维第一向量，以使所述第一向量与所述卷积模块输出的特征相融合；其中，所述第一向量所处的区域为所述模态内注意力模块所感兴趣的区域；所述第二向量模块用于提供一维第二向量，以使所述第二空向量与所述模态内注意力模块输出的感兴趣区域的特征相融合。
[0012]根据一个实施例，所述线性模块为全连接层或多层感知机。
[0013]根据一个实施例，当所述线性模块为多层感知机时，完成更新的所述第二神经网络具体是通过如下方式对所述候选药物进行临床评价：获取服用过候选药物的实验人类产生的真实体表生理数据和未服用过所述候选药物的实验人类产生的待评价体表生理数据；将所述待评价体表生理数据输入完成更新的所述第二神经网络，输出得到目标体表生理数据；基于所述真实体表生理数据和所述目标体表生理数据的误差，对所述多层感知机的网络参数进行调整，直至所述误差小于预设误差。
[0014]根据第二方面，本专利技术提供了一种基于神经网络的药物药效评价装置，包括：获取单元，用于获取服用过候选药物的实验动物产生的第一体表生理数据和未服用过所述候选药物的实验人类产生的第二体表生理数据；其中，所述实验动物包括啮齿类动物和非啮齿类动物，所述第一体表生理数据和所述第二体表生理数据的数据类型相同，且所述第一体表生理数据和所述第二体表生理数据均为时间序列数据；第一输入单元，用于分别将所述第一体表生理数据和所述第二体表生理数据输入
到预设的第一神经网络和第二神经网络，依次输出得到第一输出特征和第二输出特征；第二输入单元，用于将所述第一输出特征和所述第二输出特征输入到预设的基于概率分布度量的损失函数，得到损失值；更新单元，用于基于所述损失值，对所述第二神经网络的网络参数进行更新；其中，完成更新的所述第二神经网络用于对所述候选药物进行临床评价。
[0015]根据第三方面，本专利技术提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现第一方面的方法。
[0016]根据第四方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。
[0017]根据本专利技术提供的基于神经网络的药物药效评价方法、装置、设备及介质，通过借助神经网络来实现跨领域（即动物
‑
人类）数据迁移，这样在完成神经网络的训练后，输入未服用候选药物的实验人类的体表生理数据就能够输出得到包含服用候选药物的实验动物的特征，因此就可以用少样本量的服用候选药物的实验人类的体表生理数据来验证所训练得到的模型的准确性，从而可以解决相关技术存在的候选药物的临床评价过程漫长的问题。
附图说明
[0018]为了更清楚地说明本专利技术实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于神经网络的药物药效评价方法，其特征在于，包括：获取服用过候选药物的实验动物产生的第一体表生理数据和未服用过所述候选药物的实验人类产生的第二体表生理数据；其中，所述实验动物包括啮齿类动物和非啮齿类动物，所述第一体表生理数据和所述第二体表生理数据的数据类型相同，且所述第一体表生理数据和所述第二体表生理数据均为时间序列数据；分别将所述第一体表生理数据和所述第二体表生理数据输入到预设的第一神经网络和第二神经网络，依次输出得到第一输出特征和第二输出特征；将所述第一输出特征和所述第二输出特征输入到预设的基于概率分布度量的损失函数，得到损失值；基于所述损失值，对所述第二神经网络的网络参数进行更新；其中，完成更新的所述第二神经网络用于对所述候选药物进行临床评价。2.根据权利要求1所述的方法，其特征在于，所述体表生理数据包括如下中的至少一种：呼吸压数据、脑电数据、眼电数据、肌电数据、心电数据、胸带数据、腹带数据、脉搏波数据、腿动数据、鼾声数据、脉率数据和血氧饱和度数据。3.根据权利要求1所述的方法，其特征在于，所述基于概率分布度量的损失函数包括如下中的至少一种：KL散度损失函数、交叉熵损失函数、softmax损失函数和Focal损失函数。4.根据权利要求1
‑
3中任一项所述的方法，其特征在于，所述第一神经网络和所述第二神经网络均包括依次连接的卷积模块、模态内注意力模块和线性模块；在模型训练阶段中，所述模态内注意力模块和所述线性模块之间连接有特征融合模块，所述模态内注意力模块和所述特征融合模块之间连接有模态间注意力模块；所述卷积模块用于提取所述体表生理数据的时域特征和频域特征，所述模态内注意力模块用于对插入位置编码的所述体表生理数据中感兴趣区域的特征的权重进行调整，所述模态间注意力模块用于对所述第一体表生理数据和所述第二体表生理数据中感兴趣区域的特征的权重进行调整，所述特征融合模块用于将所述第一体表生理数据和所述第二体表生理数据中不感兴趣区域的特征分别与所述模态间注意力模块输出的感兴趣区域的特征进行特征融合，所述线性模块用于将两个所述特征融合模块输出的特征的维度调整为相同维度。5.根据权利要求4所述的方法，其特征在于，在模型训练阶段中，所述卷积模块还连接有第一向量模块，所述模态内...
【专利技术属性】
技术研发人员：杨志宏，由育阳，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。